基于BP神經網絡的城市道路交通事件檢測

摘 ?要：通過交通流模型研究了城市道路交通擁擠對交通參數的影響，以交通異常事件檢測為研究目標，從交通擁擠對于交通出行的影響出發;參考BP神經網絡的全局逼近特點，使用NARMA模型改進的BP神經網絡算法進行交通異常事件檢測的研究;使用MATLAB進行了仿真驗證了網絡的性能，結果表明NARMA模型改進的交通事件檢測的誤報率為1.54%、檢測率為96.92%、平均檢測時間為0.42 min，可有效地反映交通事件發生的本質特征。

關鍵詞：BP神經網絡;城市道路;交通異常;事件檢測

中圖分類號：U495;TP183 ? ? 文獻標識碼：A 文章編號：2096-4706（2020）13-0061-04

Abstract：This paper studies the impact of urban road traffic congestion on traffic parameters through traffic flow model，and takes the detection of traffic abnormal events as the research object，starting from the impact of traffic congestion on traffic travel;referring to the global approximation characteristics of BP neural network，this paper uses the improved BP neural network algorithm of NARMA model to detect traffic abnormal events;the performance of the network is verified by MATLAB simulation. The results show that the false alarm rate of traffic incident detection improved by NARMA model is 1.54%，the detection rate is 96.92%，and the average detection time is 0.42 min，which can effectively reflect the essential characteristics of traffic events.

Keywords：BP neural network;urban road;traffic anomaly;event detection

0 ?引 ?言

智能交通系統（ITS）是依托現代科技發展而來實現交通管理和規劃的重要技術。交通事件檢測是ITS系統中的重要組成部分和重點研究內容，其以傳感器技術、計算機技術、通信技術、模式識別技術和人工智能技術等為基礎，實現獲得道路通行狀況[1]，如交通量（q）、交通密度（k）、車速（v）等重要交通參數，以此實現道路交通狀況檢測與預測，避免城市道路交通擁堵事件的產生，或者控制路段的交通事故事態的擴大，以此實現人、車以及路和諧的城市交通目標。

目前，在城市道路交通事件檢測中，國內外使用了不同的方法進行了深入的研究和探討。筆者基于交通運輸專業的“交通工程學”“智能交通系統及技術”課程理論，對伯克利算法、多目標事件檢測算法（APID）、模式識別算法（PATREG）等、指數平滑算法、貝葉斯（Bayesian）算法、Boosting算法、模糊邏輯算法和Logit模型算法等[2]進行了研究，發現上述算法優勢實現交通異常事件監測，雖然監測效果相對較好，但誤報率無法達到令人滿意的程度。因此針對上述存在的問題，嘗試用改進BP神經網絡算法進行交通事件檢測，并進行性能指標的比較，以期減少誤報。

1 ?智能交通系統及交通事件的檢測

交通事件檢測是ITS技術的重要應用，其主要的目的和出發點在于獲得道路通行的交通狀況，及時、準確地判斷或者預測交通異常事件的發生;進而使得道路交通管理部門能夠及時準確地發出預警信息或者處理交通事件，以此實現減少道路交通事件，保障交通出行安全，提高道路車流的正常行駛速度，使其具有較高的通過能力[3]。對交通異常事件可以依據交通密度（k）、車速（v）、交通量（q）三個參數進行判斷，具體判斷依據如表1所示。

2 ?BP神經網絡在交通事件檢測中的應用

2.1 ?BP神經網絡算法

BP神經網絡算法由三個層次組成，分別為輸入層、隱層和輸出層，每次有若干節點（神經元）;運算的目的是將數據訓練的輸入/輸出的映射轉化為非線性優化求解，實現網絡輸出與期望輸出間的均方誤差最小化[4]。每一層所屬節點之間相互獨立，層節點與相鄰層節點之間以連接弧（賦有權值，表示影響程度）連接，算法由兩個過程組成：

第一步，正向計算求誤差函數。進行訓練數據，輸入層經逐層處理傳向輸出層，據計算結果和模型識別修改各連接權值。假定轉移函數為S（Sigmoid）型函數f（x）=，設網絡權值為（wij，Tli），神經網絡層數N，輸入層節點為xj，隱層節點為yi，輸出層節點為oi，閾值為θ，期望輸出為ti，誤差為E，計算公式如下：

2.2 ?基于NARMA模型改進的BP神經網絡算法

BP神經網絡算法在數據處理過程中，隨著數據量的增大，其運算存在收斂速度慢，同時當算法模型的參數出現不適會產生振蕩等問題。對于城市交通系統的交通流宏觀模型，是隨著時間變化的動態遞歸的模型，交通系統的交通流的后一個時刻狀態與前一個時刻狀態有關，也就是說其受到前一時刻的狀態所制約[5]。因此，使用BP神經網絡建模進行城市道路交通以此事件檢測時，應該充分考慮交通流動態變化問題，這里利用NARMA模型（非線性自回歸滑動平均模型）實現改進BP神經網絡，利用BP神經網絡逼近上述差分方程中的未知非線性函數。其NARMA模型可以表示為：

根據以上分析，對BP神經網絡進行交通事件檢測作出修改，將BP神經網絡系統的輸出、車流密度和速度反饋至輸入端，作為交通事件檢測模型輸入向量的一部分。在建立基于NARMA模型改進的BP神經網絡算法模型時，取N=3，其算法模型如圖2所示。

3 ?交通事件檢測系統及仿真

3.1 ?數據的選取與處理

城市公路交通異常事件檢測研究中，建立MATLAB仿真模型利用動態神經網絡建立交通流狀態估計模型，為檢測模型的性能，具體為三個數據類型：交通量（q）、交通密度（k）、車速（v）。得出仿真結果與道路現場布設的車輛檢測器測得數據信息進行比較，產生殘差并以此作為判斷交通擁堵事件是否發生的依據。城市公路交通異常事件檢測研究采用的數據來源于相關文獻及模擬的交通流數據。具體如表2所示。

對于采集到的道路交通數據信息經過濾波及調整后，為了進行NARMA模型改進的BP神經網絡算法研究，需進行數據歸一化處理，將得到模擬量數據信息歸一化為[0，1]區間，歸一化處理的公式如下：

3.2 ?模型仿真

構建的基于NARMA模型改進的BP神經網絡算法，以此實現城市公路交通異常事件檢測模型，如圖3所示，算法模型的輸入與交通事件檢測路段的數量有關，當路段數過多則算法模型的輸入量會增加，致使網絡模型結構復雜、運算量增量。因此，選取一路段作為樣本。根據傳統BP神經網絡算法、基于NARMA模型改進的BP神經網絡算法兩個算法模塊的檢測判斷事件發生與否，并比較說明改進算法的優點。

3.3 ?仿真結果分析

為了驗證NARMA模型改進的BP神經網絡算法效果，利用MATLAB仿真進行仿真實驗。設基于NARMA模型改進的BP神經網絡算法的輸出函數為logsig函數，整個網絡的輸出是（0，1）的連續量，通過判決門限0.5區分兩類模式。學習速率η=0.01，最大訓練步數Nmax=300，可接受訓練誤差ε=0.000 01。網絡學習曲線當N=194次迭代時，誤差ε達到精度期望要求，訓練誤差曲線如圖4所示。

通過傳統BP神經網絡算法與基于NARMA模型改進的BP神經網絡算法兩種算法的驗證誤差對比曲線進行分析，如圖5所示。其可以清晰地看到，誤差≥|0.5|點少，證明基于NARMA模型改進的BP神經網絡算法的事件檢測的網絡驗證誤差少，同時減少收斂步數，提高精度。

本文研究交通事件檢測評價指標分別為誤報率（FIR，False Identification Rate）、檢測率（DR，Detection Rate）、平均檢測時間（MTTD，Mean Time to Detection）等，具體指標對比如表3所示。

從表3中可以看出基于NARMA模型改進的BP神經網絡算法的性能指標優于傳統BP神經網絡算法的性能指標。其誤報率為1.54%、檢測率為96.92%、平均檢測時間為0.42 min，因此，采用改進的算法在交通事件檢測上的應用經過足夠的樣本訓練，具有很高的檢測率和較低的誤報率。

4 ?結 ?論

交通事件檢測是城市交通管理和城市規劃布局發展的重要基礎。因此，本文針對交通系統的非線性系統，研究交通擁擠對交通參數的影響，建立了一個城市道路交通流的神經網絡模型，提出利用基于NARMA模型改進的BP神經網絡算法模型檢測道路交通事件。使用MATLAB仿真驗證了改進的BP神經網絡來仿真交通流模型，表明改進的BP神經網絡算法具有檢測率高、誤報率低和檢測速度快，優于傳統BP神經網絡算法的檢測，能夠實現與滿足城市交通管理與發展的需求。

參考文獻：

[1] 楊世威，王偉，李銳.城市道路交通事故宏觀成因分析 [J].現代交通技術，2017，14（3）：82-85.

[2] 劉慶華，丁文濤，涂娟娟，等.優化BP_AdaBoost算法及其交通事件檢測 [J].同濟大學學報（自然科學版），2015，43（12）：1829-1833.

[3] 姜卉，姜桂艷.基于FA-SVM的高速公路交通事件檢測方法 [J].北華大學學報（自然科學版），2019，20（1）：103-108.

[4] 吳琛，程琳.BP小波神經網絡模型及其在交通事件檢測中的應用 [J].中國交通信息化，2018（3）：137-140.

[5] HOU H. The Application of Blockchain Technology in E-Government in China [C]//2017 26th International Conference on Computer Communication and Networks （ICCCN）. Vancouver，BC，Canada：IEEE，2017：1-5.

作者簡介：柳妍（1980—），女，漢族，甘肅華亭人，講師，碩士，研究方向：城市規劃與交通運輸。